14 de marzo de 2017

Proyecto

Consumo cultural y representaciones sociales en niños, adolescentes y jóvenes de la ciudad de México. Diagnóstico y propuestas para la construcción de políticas públicas en materia de desarrollo social y cultural para este sector

Pregunta: ¿como se estructuran las preferencias por géneros musicales en CDMX y Lima?

¿Tienen entre sí el mismo patrón de asociación?

¿Están relacionadas con los mismos atributos sociodemográficos?

Problemas teóricos.

  • Caracter relacional de los espacios de las prácticas.
    • cumbia_cdmx \(\neq\) cumbia_lima
    • Podemos rastrear la equivalencia funcional de las prácticas, pero es necesario mucho conocimiento sustantivo.

Problemas metodológicos.

  • Diferencias –sutiles– en los cuestionarios y la forma en que se administraron.
  • Diferencias en la codificación.
  • Diferencias estructurales en la medición de algunas variables.
    • NSE, Educación.
  • Preferencias \(\neq\) prácticas.

Metodología.

Análisis de Clases Latentes.

  • En lugar del Análisis de Correspondencias Múltiples exploramos el set de datos con Análisis de Clases de Latentes.
  • El ACL pertenece a la familia de los modelos modelos de mezcla finita.
    • Es un caso especial de los modelos de ecuaciones estructurales.
  • Infiere una variable categórica latente a partir de variables categóricas observadas.
  • Esa variable latente explica a las observadas.
    • Por ejemplo, el gusto musical –latente– explica que alguien prefiera el rock o la cumbia.

ACM vs. ACL

Ambos son métodos multivariados que operan sobre variables categóricas.

  1. Infiere una variable latente categórica con k categorías, no múltiples dimensiones contínuas.
  2. Da cuenta del error de estimación. Se pueden calcular intervalos de confianza.
  3. Versus ACM-cluster ofrece criterios para la selección del número óptimo de grupos (BIC, AIC)
  4. Se pueden aplicar modelos lineales para analizar la covarianza de la variable latente con variables observadas.
    • vs. variables suplementarias.

Modelo de clases latentes.

Exploración de los datos

-¿Qué hacer con la clase 3 de México?

Pagina dedicada los programadores de lcca:: que usan cat() para pasar adevertencias.

## Warning in lcacov(formula = formula, data = ., nclass = 3, groups =
## Ciudad, : 5 cases omitted due to missing covariates.

## Mexico              
## Lima
Var1 Var3 Var4 Estimate Std.Err Z.ratio Signif
(Intercept) Class 2/1 Lima 1.6522000 1.171800 1.410 0.1586
Edad Class 2/1 Lima -0.1549600 0.060711 -2.552 0.0107
SexoMujer Class 2/1 Lima 2.8214000 0.545670 5.170 0.0000
IdiomaNo Class 2/1 Lima 0.0052781 0.433930 0.012 0.9903
(Intercept) Class 3/1 Lima -1.1311000 0.914400 -1.237 0.2161
Edad Class 3/1 Lima 0.0072661 0.046274 0.157 0.8752
SexoMujer Class 3/1 Lima 2.4435000 0.473280 5.163 0.0000
IdiomaNo Class 3/1 Lima 1.4725000 0.340340 4.326 0.0000

## Mexico              
## Lima
Var1 Var3 Var4 Estimate Std.Err Z.ratio Signif
(Intercept) Class 2/1 Mexico 2.49340 1.106400 2.254 0.0242
Edad Class 2/1 Mexico -0.17863 0.070128 -2.547 0.0109
SexoMujer Class 2/1 Mexico 0.28142 0.324370 0.868 0.3856
IdiomaNo Class 2/1 Mexico 0.91229 0.311470 2.929 0.0034
(Intercept) Class 3/1 Mexico -3.76510 1.327200 -2.837 0.0046
Edad Class 3/1 Mexico 0.14122 0.056176 2.514 0.0119
SexoMujer Class 3/1 Mexico 1.88310 0.477410 3.944 0.0001
IdiomaNo Class 3/1 Mexico 0.13041 0.336990 0.387 0.6988